Documentos de Académico
Documentos de Profesional
Documentos de Cultura
https://revistas.udistrital.edu.co/index.php/UDGeo/index
INVESTIGACIÓN
Para citar este artículo: León-Pérez, J.C. (2019). Impacto de las tecnologías disruptivas en la percepción remota: big
data, internet de las cosas e inteligencia artificial. UD y la Geomática, 14, 54-61.
DOI: https://doi.org/10.14483/23448407.15658
RESUMEN ABSTRACT
En la actualidad, las tecnologías disruptivas, como big data (BD), Currently, disruptive technologies such as big data (BD), the
internet de las coas (IoT), inteligencia artificial (IA) y compu- internet of the things (IoT), artificial intelligence (AI) and cloud
tación en la nube, tienen un gran impacto en la industria, las computing, have a great impact in the fields such as industry,
finanzas, la medicina y la agricultura. La percepción remota no finance, medicine and agriculture. Remote sensing is not alien to
es ajena a ellas. En consecuencia, en este artículo se destacan las it. Consequently, this article highlights the big data characteristics
características de big data de las imágenes (volumen, variedad y of the images (volume, variety and velocity); the integration of
velocidad); la integración de los sensores remotos, con los senso- remote sensors, with nearby and embedded sensors, via the inter-
res cercanos y embebidos, vía internet, configurando el internet net, configuring the internet of things in remote perception, and
de las cosas en percepción remota, y el impacto de la inteligencia the impact of artificial intelligence, which with its components
artificial, que con sus componentes como las redes neuronales such as artificial neural networks and intelligent software, allow
artificiales y los software inteligentes, permiten analizar las imá- Analyze images, automatically know their cloud content, and de-
genes, conocer de manera automática su contenido de nubes, y sign autonomous spacecraft that send only relevant information
diseñar naves espaciales autónomas que envían a la Tierra solo to earth. It is concluded that the greatest potential of them is
información relevante. Se concluye que el mayor potencial de ellas manifested when they act in an integrated manner as in the case
se manifiesta cuando actúan de manera integrada, como en el of intelligent agriculture.
caso de la agricultura inteligente.
Keywords: smart agriculture, cloud computing, proximal sen-
Palabras clave: agricultura inteligente, computación en la sors, embedded sensors, remote sensing, disruptive technologies.
nube, sensores cercanos, sensores embebidos, sensores remotos,
tecnologías disruptivas.
(TB =1024 GB), a petabytes (PB = 1024 TB), y a veces a la analítica, para encontrar soluciones a muchos problemas,
exabytes (EB =1024 PB). Por ejemplo, solamente el archivo considerando que la velocidad del manejo de datos no está
de la NASA tiene almacenado 7,5 petabytes en imágenes de relacionada exclusivamente con la capacidad de máquinas y
sensores remotos. Así mismo, a cada pixel AVHRR – NOAA dispositivos electrónicos, sino también con la capacidad del
de un km² le corresponde 106 pixeles de 1 m², de una imagen ser humano para transformar los datos brutos en aplicaciones
de alta resolución (Moclan, 2016). útiles.
Por su parte, esa enorme cantidad de datos presenta ven- Además, la habilidad para tomar decisiones sobre temas
tajas y problemas para los investigadores (Liu, 2015). Por complejos, en tiempo (casi) real, es uno de los retos más
un lado, se cuenta con buena información para afrontar un grandes para la percepción remota, porque ellas a menudo
determinado problema pero, por otro, se requiere de centrales están asociadas a eventos críticos como: terremotos, inun-
de datos con grandes exigencias para el almacenamiento, pro- daciones, incendios, riesgos epidemiológicos, etc. (Chi et al.,
cesamiento y transmisión de los datos de sensores remotos. 2016; Salazar y Fdez-Arroyabe, 2019).
Variedad. Se refiere al número de tipos de datos. Al
respecto, según Salazar y Fedez-Arroyabe (2019), antes de Las tres propiedades de los BD descritos son considera-
emprender cualquier análisis se debe hacer una diferenciación das claves, pero otros autores proponen dos más: veracidad
clara entre datos de sensores remotos y datos de percepción y valor. Así, la veracidad de los datos masivos de percep-
remota. Los primeros (dispositivos conectados a internet, ción remota necesita ser aprobada antes de ser usada para
como teléfonos móviles, tabletas, cámaras móviles o instru- propósitos específicos, proceso en el cual se verifica cómo
mentos de monitoreo) colectan zetabytes (ZB =1024 EB) fueron adquiridos, depurados, transformados e integrados.
de información no estructurada y semiestructurada, desde En primera instancia se afirma que los datos de sensores
múltiples usuarios. Por el contrario, los segundos, como las remotos son muy confiables, debido a que presentan infor-
imágenes, están principalmente relacionados con información mación estructurada, precedida por la calibración de los
estructurada, como se observa en la figura 1. sensores (Salazar y Fedez-Arroyabe, 2019) y porque siem-
pre informan del grado de incertidumbre y precisión (Mo-
clan, 2016). Por otro lado, el valor se refiere a la capacidad
de extraer la información oculta en los datos masivos, para
luego tomar decisiones acertadas (Chi et al., 2016).
una computadora física real, pero con procesadores más mundo digital, con capacidad para detectar y actuar y ser
potentes y con memoria y tamaño de disco adaptable al programables (Tzafestas, 2018). Las cosas se refieren en
usuario, lo que hace económicamente viable acceder de general a todos los objetos que son reconocibles, localiza-
manera remota a gran cantidad de datos en tiempo real bles, ubicables y controlables vía internet. Las categorías
(Moclan, 2016). En el campo de la percepción remota, la de la interconexión mencionada son: maquinas con máqui-
computación en la nube ha mostrado su gran capacidad de nas (M2M, machine to machine), personas con máquinas
agregación, de gran diversidad de datos (Chi et al., 2016). (P2M, people to machine) y personas con personas (P2P,
Para conocer la aplicabilidad real de la computación en people to people).
la nube, se mencionan los casos desarrollados por Moclan Por otra parte, es conocido que los sensores remotos
(2016), referentes a inundaciones, impacto ambiental y son una fuente importante de datos espaciales. Pero estos
agricultura. El esquema metodológico básico es el mismo no solo pueden venir de los sensores ubicados en aviones,
para los tres casos, por lo que se expone brevemente lo re- satélites y drones, sino también de sensores ubicados en el
lacionado con el impacto ambiental causado por la defores- terreno (sensores cercanos y embebidos); así, se configura
tación en países tropicales, como se muestra en la figura 2. una red de sensores inalámbricos (WSN, wireless sensor ne-
Las fuentes de información son las imágenes pro- tworks), situación que mejora sustancialmente la capacidad
porcionadas por Deimos (satélite español), Sentinel-2 y para entender el mundo natural y artificial.
Landsat-8, además de mapas de incendios, uso del suelo, Además, es conveniente aclarar que diferente a los sen-
modelos digitales del terreno, que en conjunto son enviados sores de percepción remota, que utilizan la reflexión de la
a la nube, para su tratamiento con algoritmos específi- radiación electromagnética, por parte de los objetos de la
cos de gran capacidad analítica. Independientemente de superficie terrestre, los sensores embebidos son usualmente
la variedad y complejidad de las técnicas utilizadas para de naturaleza electromecánica que recopilan mediciones
procesar los datos, será el resultado lo que permitirá al físicas (Lyer, 2018). Entonces, dependiendo de los hallaz-
usuario tomar las decisiones adecuadas, tanto correctivas gos, el sistema puede estimular los comandos para detener
como preventivas. ciertas acciones, o crear alertas acerca de potenciales pro-
Finalmente, se puede argumentar que la naturaleza blemas, para promover una acción preventiva.
espacial de los datos masivos de la percepción remota adi-
ciona un valor especial a la nueva era digital, incluyendo un Sinergia entre internet de las cosas y percepción remota
nuevo paradigma denominado computación en la nube es-
pacial (SCC, spatial cloud computing) (Yang et al., 2011). Los avances en las tecnologías de la percepción remota y el
IoT están borrando la distancia entre los dos. Esto se debe
a que, a pesar de que fueron concebidos en circunstancias
Internet de las cosas (IoT) diferentes, ambos tienen la necesidad de recolectar datos y
ambos tienen la capacidad para analizar los datos.
Se entiende por internet de las cosas (IoT, internet of En el aspecto práctico, hay muchas aplicaciones de
things) a la interconexión de objetos a través de inter- monitoreo donde se requiere de observaciones frecuen-
net, que tienen una representación física o virtual en el tes debido a la posibilidad de cambios drásticos en poco
tiempo, cuya atención inoportuna puede derivar en costos que se tratará en la sección de aplicaciones, se incidirá
cuantiosos. En estos casos, la percepción remota y la IoT solamente en los componentes RNA y conocimiento.
son métodos esencialmente complementarios, que contri- Las RNA son sistemas que copian esquemáticamente
buyen a resolver problemas. la estructura neuronal del cerebro humano, para tratar de
Así, para el caso mencionado en el párrafo anterior, los reproducir sus capacidades. En consecuencia, las RNA son
métodos de la percepción remota pueden ser considerados capaces de aprender de la experiencia a partir de señales
como IoT extrínsecos, en contraste con el IoT tradicional, o datos provenientes del exterior, dentro de un marco de
que utiliza sensores embebidos o intrínsecos (Lyer, 2018) computación paralela o distribuida (Sierra, Bonson, Núñez
(figura 3). y Orta, 1995; León 2010a). Por su parte, el conocimiento
Un ejemplo de la complementariedad es cuando los implica la resolución de cualquier problema, el cual debe
sensores embebidos detectan estrés de humedad del suelo, ser codificado para su adecuación al modo de trabajar de
que afectará a las plantas, mientras los sensores remotos las máquinas.
(Multiespectrales, hiperespectrales, termales) mostrarán, En sus múltiples aplicaciones las RNA han sido impor-
además, la distribución espacial del fenómeno. Analizando tantes, entre otras, en la geografía (Openshaw y Openshaw,
en conjunto los datos producidos por las dos tecnologías, 1997), en los sistemas de información geográfica (SIG),
podrían ayudar a reducir costos y a actuar de manera pre- donde tuvo gran influencia, hasta considerarse el desarrollo
ventiva (Lyer, 2018), como sucede en la agricultura de de un SIG inteligente (Burrough, 1992) y, por supuesto, en
precisión. el campo de la percepción remota (León, 2010a).
evidencian la complementariedad necesaria, salvo un traba- adecuados, sin contaminar el medio ambiente, con lo cual
jo de Channe, Kothari y Kadam (2015), que integra varias se contribuye a una producción más sustentable.
tecnologías en un modelo para desarrollar una agricultura
de precisión eficiente.
Un caso típico de las ventajas de la integración de las Conclusiones
tecnologías referidas es, sin dudas, la agricultura inteligente,
de la que forma parte la agricultura de precisión, que es de- La percepción remota, por su naturaleza multitemporal,
finida como el conjunto de tecnologías que buscan optimizar multifuente, multiescala, genera datos en gran volumen, de
la producción agrícola a través del manejo de la variabilidad gran variedad y velocidad, configurando un big data, por lo
(espacial y temporal) de los factores de producción (Leiva, que deben ser tratados como tales.
2008; León 2010b; Guerrero-Ibáñez et al. 2017). En la figura
6 se ilustran sus componentes (Kruize, 2017). • El internet de las cosas posibilita la conexión entre
Como es evidente, en ella están presentes, en primer los sensores remotos, los cercanos y los embebidos
término los tres tipos de sensores: los embebidos, que to- (M2M), vía internet, haciendo que los datos produ-
marán los datos de la humedad y temperatura del suelo; cidos por cada uno de ellos sean complementarios;
los cercanos, que determinarán la humedad ambiental, el lo cual facilita una respuesta en tiempo (casi) real,
estrés hídrico de los cultivos, presencia de algunas plagas, a los problemas para los cuales son requeridos.
rendimiento de los cultivos, estado de salud de los animales, • La inteligencia artificial, a través de sus componen-
etc., y los remotos, ubicados en drones, aviones o satélites, tes como redes neuronales artificiales y software
para reforzar los hallazgos de los anteriores y mostrar la inteligentes, ha sido y es de apoyo eficiente para
distribución espacial de los temas en investigación. Todos la percepción remota tanto para el análisis de las
los datos obtenidos por los sensores interconectados (fun- imágenes, como para la cuantificación del porcen-
damento del IoT), se convierten en datos masivos (BD), taje de nubes en las cuantiosas imágenes recibi-
para cuyo análisis (analítica) utilizando minería de datos y das, y para hacer posible que las naves espaciales
aprendizaje de máquina (IA), son enviados a la nube (cloud respondan con autonomía, gracias a su capacidad
computing), donde se pueden determinar, por ejemplo, el para tomar decisiones a bordo y transmitir a tierra
índice de vegetación (NDVI) o las necesidades de riego, en información estrictamente necesaria y útil.
tiempo (casi) real. Los resultados serán enviados al usuario • Las tecnologías disruptivas, que generan cambios
final para la toma de decisiones. drásticos en sus aplicaciones, como sucede con el
Vista la complementariedad de las tecnologías disrup- big data, el internet de las cosas, la inteligencia
tivas con la percepción remota, tomando el caso de la artificial y la computación en la nube, impactan
agricultura inteligente, se puede afirmar que gracias a ellos positivamente en la percepción remota, situación
los agricultores se benefician, ya que pueden conocer en que puede mejorar, si actúan de manera integrada
tiempo real las condiciones del área cultivada, el uso de y complementaria, como en el caso de la agricul-
insumos, a través de la aplicación exacta y en los tiempos tura inteligente.
Referencias bibliográficas Liu, P., Di, L., Du, Q. y Wang, L. (2018). Remote sensing
big data: theory, methods and applications. Remote
Adamchuk, V.R. y Viscarra, R.A. (2010). Development of Sens., 10. Doi: 10.3390/rs10050711.
on – the – go proximal soil sensor systems. En R.A. Lyer, A. (2018). The evolution of remote sensing: Deliv-
Viscarra, A. McBratney y B. Minasny (eds.), Proximal ering on the promise of IoT. Recuperado de https://
soil sensing (pp. 15-28). Nueva York: Springer. www.datanami.com
Burrough, P.A. (1992). Development of intelligent geo- Madrigal, V. (2019). Myriad: Earth observation automa-
graphical information systems. Int. J. Geographical tised using drones, IoT, AI and satellites. Recuperado
Information systems, 6(1), 1-11. de: https://www.space-of-innovation.com
Channe, H., Kothari, S. y Kadam, D. (2015). Multi- McAllister, J. (1991). Inteligencia artificial. Barcelona:
displinary model for Smart agricultura of the things Limusa.
(IoI), sensors, cloud-computing, movile-computing & Moclan, C. (2016). Teledetección espacial: de los métodos
big data analysis. Int. J. Computer Technology & Ap- clásicos al big data. [Tesis Doctoral]. Universidad de
plications, 6(3), 374-382. Valladolid, España.
Chi, M., Plaza, A., Benediktsson, J.A., Sun, Z., Shen, J. y Zhu, Openshaw, S. y Openshaw, C. (1997). Artificial intelligence
y. (2016). Big data for remote sensing: challenges and op- in Geography. Inglaterra: John Wiley.
portunities. Proceedings of the IEEE, 104(11), 2207-2219. Salazar, J. y Fedez-Arroyabe, P. (2019). Aerial and satellite
Chien E. (2004). The E0-1 Autonomous Spacecraft and imagery and Big Data: Blending old Technologies with
prospects for future autonomous space exploration. new trends. En N. Dey, CH. Bhatt y A. Ashour (eds.).
California: Jet Propulsion Laboratory. Big Data for remote sensing: visualization, analysis and
Dey, N., Bhatt, Ch. y Ashour, E.S. (eds.) (2019). Big data interpretation (pp. 39-59). Suiza: Springer.
for remote sensing: visualization, analysis and interpre- Schwab, K. (2016). The fourth industrial revolution. Suiza:
tation. Suiza: Springer. Word Economic Forum.
Gomarasca, M.A. (2009). Basic of geomatics. Nueva York: Sierra, G., Bonson, E.; Núñez, C. y Orta, M. (1995). Sis-
Springer. temas expertos en contabilidad y administración de
Green, K. (2018). Imagery and GIS Integration: why now? empresas. Madrid: Ra-Ma.
ArcUser, 21(1), 60-61. Tzafestas, S.G. (2018). Synergy of IoT and IA in modern
Guerrero-Ibañez, J., Estrada – Gonzalez, F. Medina – Te- society: the robotics and automation case. Robot Au-
jada, M., Rivera – Gutiérrez, Ma., Alcaraz-Aguirre, tom Eng J., 3(5), 1-15.
J., Maldonado-Mendoza, C., Toledo-Zuñiga, D. y Lo- Villa, G. Amoros, J., Bautista, N., Domenech, E., Gómez,
pez-Gonzalez, V. (2017). SGreenH-IoT: Platforma IoT L., Plaza, N., Ruíz A. y Tejeiro, J.A. (2015). Técnicas
para agricultura de precisión. Sistemas, Cibernética e big data para procesado multitemporal de imágenes en
Informática, 14(2), 53-58. el proyecto FP7 SensyF (Sentinels Synergy Framework).
Jordan, L. (2018). A special relationship exists between En J. Bustamante, R. Díaz-Delgado, D. Aragonéz, I.
remote sensing and GIS. ArcUser, 21(1), 43-44. Afán y D. García (eds.). Actas del XVI Congreso de la
Joyanes, L. (2013). Big data. Análisis de grandes volúme- Asociación Española de Teledetección (pp. 513-516).
nes de datos en organizaciones. México: Alfaomega. Sevilla 21-23 octubre 2015.
Kruize, J.W. (2017). From data harvesting with IoT to Viscarra, R.A., McBratney, A., Minasny, B. (eds.) (2010).
Big Data in agricultura-current initiatives and future Proximal soil sensing. Nueva York: Springer.
perspectives [Power Point presentatie-slide 15]. 29 no- Wang, L., Ma, Y., Yan, J. Chang; V. y Zomaya, A.Y.
vember 2017. Recuperado de 210.68.8.75/download/ (2016). Pips Cloud: High performance cloud computing
S3/S3_Dr.%20kruize.pdf. for remote sensig big data management and processing.
Leiva, F. (ed.). (2008). Agricultura de precisión en cultivos Future Generation Computer Systems, 78(1) 353-368.
transitorios. Bogotá: Editorial Univ. Nacional de Colombia. DOI: http://dx.doi.org/10.1016/j.future.2016.06.009.
León, J. (2010a). La inteligencia artificial convencional y la Yang, Ch., Goodchild, M., Huang, Q., Nebert, D., Raskin,
inteligencia artificial distribuida (IAD) en los programas R., Xu, Y., Bambacus, M. y Fay, D. (2011). Spatial
espaciales de observación de la tierra. Análisis Geográ- Cloud computing. How geospatial sciences could use
ficos, 44, 129-143. and help to shape cloud computing? Int. J. on Digital
León, J. (2010b). El radar y sus aplicaciones en la agricul- Earth, 5, 305-329.
tura. Análisis Geográficos, 44, 159 -174. Zhang, L., Du, Q. y Datcu, M. (2015). Management and
Liu, P. (2015). A survey of remote sensing big data. Front. analytics of remote sensing big data. Journal of Applied
Environ. Sci., 3(45). DOI: 10.3389/fenvs.2015.00045. Remote Sensing, 9(1).